Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mengembangkan onsite-EEW (Earthquake Early Warning) merupakan masalah yang menantang karena keterbatasan waktu dan jumlah informasi yang dapat dikumpulkan sebelum peringatan dikeluarkan. Pendekatan yang dapat dilakukan untuk mencegah bencana akibat gempabumi adalah dengan memprediksi tingkat percepatan tanah di suatu lokasi menggunakan sinyal gelombang-P awal dan memberikan peringatan sebelum puncak percepatan tanah yang besar terjadi. Dalam kondisi sebenarnya, keakuratan prediksi merupakan masalah yang paling penting untuk sistem peringatan dini gempabumi. Pada penelitian ini mengimplementasi metode berbasis kecerdasan buatan untuk memprediksi tingkat getaran gempabumi secara dini, ketika gelombang P tiba di stasiun seismik. Sebuah model CNN dibangun untuk membuat prediksi dengan menggunakan small window 3 detik awal gelombang P dari rekaman accelerometer. Model ini dibangun dengan dataset dengan input gelombang seismik dengan variasi 3,2 dan 1 detik data gempabumi di wilayah Jawa Barat 2017 hingga 2023 dengan pembagian 80% data latih,, 10% data validasi dan 10% data uji . Dari evaluasi model terbaik, skema yang diusulkan mendapatkan akurasi 99.30%±0.63% dengan data uji.

---

Developing onsite-EEW (Earthquake Early Warning) is a challenging problem due to the limited time and amount of information that can be gathered before a warning is issued. A possible approach to preventing earthquake-induced disasters is to predict the level of ground acceleration at a site using early P-wave signals and provide warnings before large ground acceleration peaks occur. In actual conditions, the accuracy of prediction is the most important issue for earthquake early warning systems. This study implements an artificial intelligence-based method to predict the level of earthquake tremors early, when P-waves arrive at seismic stations. A CNN model is built to make predictions using a small window of the first 3 seconds of P-waves from accelerometer recordings. The model was built with a dataset with seismic wave input with 3,2 and 1 second variations of earthquake data in the West Java region from 2017 to 2023 with a division of 80% training data, 10% validation data and 10% test data. From the evaluation of the best model, the proposed scheme obtained an accuracy of 99.30%±0.63% with test data."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Terjadi peningkatan intensitas gempabumi Jawa Barat. Daryono (2022) mengungkapkan Jawa Barat merupakan daerah dengan seismik aktif dan kompleks. Guncangan aktif yang terjadi akibat banyaknya sumber gempa di Jawa Barat, di antaranya bersumber dari megathrust dan sesar aktif. Dengan mempertimbangkan kondisi tektonik Jawa Barat yang rentan terhadap bencana gempabumi maka dilakukanlah penelitian yang bertujuan untuk menganalisis probabilitas bahaya gempabumi berdasarkan nilai Peak Ground Acceleration (PGA) di Jawa Barat. Metode yang digunakan untuk mencari nilai PGA adalah metode Probabilistic Seismic Hazard Analysis (PSHA). Metode PSHA memperhitungkan berbagai macam skenario selain parameter gempabumi, yaitu faktorfaktor ketidakpastian seperti lokasi, ukuran, dan frekuensi gempabumi (Kramer, 1996). Penelitian ini menggunakan sumber data berupa riwayat gempabumi, informasi karakteristik sesar aktif, zona megathrust, dan zona background di sekitar Jawa Barat, serta fungsi atenuasi sesuai dengan sumber gempabuminya. Seluruh data diproses melalui konversi magnitudo, pemisahan gempa utama, identifikasi dan karakterisasi sumber gempa, memasukkan fungsi atenuasi, pembobotan dengan logic tree, perhitungan total PSHA hingga menghasilkan tiga peta persebaran nilai PGA batuan dasar dengan probabilitas terlampaui (PoE) 10%, 5%, dan 2% dalam masa guna bangunan 50 tahun. Peta pertama dengan PoE 10% nilai PGA di Jawa Barat berkisar antara 0.2 g - 0.8g. Peta kedua dengan PoE 5% nilai PGA berkisar antara 0.3 g - 1 g. Peta ketiga dengan PoE 2% nilai PGA berkisar antara 0.3 g - 1.3 g. Jika dikonversikan dalam skala MMI, maka nilai ini termasuk intensitas VIII (getaran terasa hebat dan potensi kerusakan sedang) hingga intensitas X (getaran terasa ekstrem dan potensi kerusakan sangat parah). Nilai PGA dipengaruhi oleh jarak lokasi penelitian terhadap sumber gempabumi berupa megathrust dan patahan. Pada penelitian ini juga dihasilkan peta percepatan spektral (SA) saat periode 0.2 detik dan 1 detik. Ketika periode 0.2 detik nilai SA berkisar antara 2 g - 2.8 g dan ketika periode 1 detik nilai SA berkisar antara 0.3 g - 1.3 g.

---

There has been an increase in the intensity of the West Java earthquake. Daryono (2022) revealed that West Java is a seismically active and complex area. The active shaking that occurs due to West Java has many earthquake sources, including megathrust and active faults. By considering the tectonic conditions of West Java that are vulnerable to earthquake disasters, this study aims to analyze the probability of earthquake hazard based on Peak Ground Acceleration (PGA) values in West Java. The method used to find the PGA value is the Probabilistic Seismic Hazard Analysis (PSHA). The PSHA method takes into various scenarios besides earthquake parameters, such as location, size, and frequency of earthquakes (Kramer, 1996). This study uses earthquake history data, information on the characteristics of active faults, megathrust zones, and background zones around West Java, as well as attenuation functions according to the earthquake source. All data has been processed through magnitude conversion, declustering of main earthquakes, identification and characterization of earthquake sources, insertion of attenuation functions, logic tree, calculation of total PSHA, resulting three distribution maps of bedrock PGA with a probability of exceedance (PoE) of 10%, 5%, and 2% within a 50-year building life. The first map with a PoE of 10% PGA values in West Java range 0.2 g - 0.8g. The second map with a PoE of 5% PGA range 0.3g - 1g. The third map with a PoE of 2% PGA range 0.3g - 1.3g. If converted to the MMI scale, these values are included in intensity VIII (severe vibration and moderate damage potential) to intensity X (extreme vibration and severe damage potential). The PGA value is influenced by the distance of the research location to the earthquake source (megathrust and fault). This study also produced spectral acceleration (SA) maps for periods of 0.2 seconds and 1 second. During the 0.2-second period, the SA values 2 g - 2.8 g and during the 1-second period, the SA value ranges 0.3 g - 1.3 g. The PGA value is influenced by the distance of the study location."

"Kota Surabaya merupakan salah satu kota besar di Indonesia yang wilayahnya dilewati oleh dua segmen patahan dari Sesar Kendeng, yaitu Patahan Waru dan Patahan Surabaya. Keduanya memiliki laju pergerakan sebesar 0,05 mm/tahun dan berpotensi terjadi gempabumi berkekuatan besar di masa mendatang. Selain itu, Wilayah Surabaya berdekatan dengan Megathrust East Java di Selatan Pulau Jawa. Berdasarkan riwayat kegempaan, Wilayah Surabaya belum pernah menjadi titik episenter gempabumi dan hanya ikut terguncang akibat gempabumi yang terjadi disekitarnya. Penelitian ini bertujuan untuk menganalisis dan memetakan besaran percepatan tanah di Surabaya akibat gempabumi. Metode penelitian yang digunakan ialah metode Probabilistic Seismic Hazard Analysis (PSHA) dengan bantuan perangkat lunak R-CRISIS. Sumber gempabumi yang diolah berada pada radius 500 Km dari Surabaya dengan kedalaman <300 Km dan dikumpulkan dari berbagai katalog seperti katalog BMKG, katalog PuSGeN, katalog USGS, dan katalog ISC dari tahun 1900-Januari 2023. Hasil pengolahan menunjukkan bahwa nilai percepatan tanah yang diperoleh pada PoE 2% dalam 50 tahun (periode ulang 2.475 tahun) saat T=0s sebesar 0,314-0,538 g, T=0,2s sebesar 0,759-1,308 g, dan T=1s sebesar 0,192 – 0,321 g. Berikutnya, nilai percepatan tanah pada PoE 5% dalam 50 tahun (periode ulang 975 tahun) saat T=0s sebesar 0,236-0,391 g, T=0,2s sebesar 0,562 – 0,903 g, dan T=1s sebesar 0,134-0,211 g. Selanjutnya, nilai percepatan tanah pada PoE 10% dalam 50 tahun (periode ulang 475 tahun) saat T=0s sebesar 0,180-0,289 g, T=0,2s sebesar 0,417-0,678 g, dan T=1s sebesar 0,101-0,147 g. Berdasarkan hasil analisis, Wilayah Surabaya Barat mengalami respon percepatan tanah paling tinggi. Hal ini bersesuaian dengan tektonik Surabaya Barat yang dilewati oleh Patahan Surabaya dan Patahan Waru, sehingga nilai percepatan tanah yang tinggi diakibatkan oleh sumber gempabumi fault (patahan). Setelah dikonversi menjadi gal, potensi kerusakan yang ditimbulkan berdasarkan nilai percepatan tanah yang diperoleh sebesar VI-XII MMI (99,05-1.282,71 gal).

---

Surabaya City is one of the major cities in Indonesia that is passed by two fault segments of the Kendeng Fault, namely the Waru Fault and the Surabaya Fault. Both have a movement rate of 0,05 mm/year and potentially have a large-power earthquake in the future. In addition, the Surabaya Region is adjacent to the East Java Megathrust in the South of Java Island. Based on the history of seismicity, the Surabaya Region has never been the epicenter of an earthquake and has only been shaken by earthquakes that occurred around it. This study aims to analyzing and mapping the amount of ground acceleration in Surabaya due to earthquakes. The research method used is the Probabilistic Seismic Hazard Analysis (PSHA) method using R-CRISIS software. The processed earthquake source is within 500 Km from Surabaya with a depth of <300 Km and is collected from various catalogs such as the BMKG catalog, the PuSGeN catalog, the USGS catalog, and the ISC catalog from 1900 to January 2023. The results of processing show that the ground acceleration values obtained at PoE 2% in 50 years (return period of 2.475 years) when T=0s is 0,314 – 0,538 g, T=0,2s is 0,759-1,308 g, and T=1s is 0,192-0,321 g. Subsequently, the ground acceleration values at PoE 5% in 50 years (return period of 975 years) when T=0s is 0,236-0,391 g, T=0,2s is 0,562-0,903 g, and T=1s is 0,134-0,211 g. Furthermore, the ground acceleration values at PoE were 10% in 50 years (return period of 475 years) when T=0s is 0,180-0,289 g, T=0,2s is 0,417-0,678 g, and T=1s is 0,101-0,147 g. Based on the results of the analysis, the West Surabaya Region experienced the highest ground acceleration response. This corresponds to the tectonics of West Surabaya which is passed by the Surabaya Fault and the Waru Fault, so that the high value of ground acceleration is due to the fault earthquake source. After being converted into gal, the potential damage caused based on the ground acceleration value obtained is VI-XII MMI (99,05 – 1.282,71 gal)."

"Sukabumi merupakan salah satu wilayah di Indonesia yang memiliki pengalaman terdampak bencana gempabumi. Potensi untuk terjadi guncangan akibat gempabumi juga masih besar mengingat daerah ini berada di busur depan tektonik Pulau Jawa. Tujuan penelitian ini adalah untuk memberikan gambaran pendekatan distribusi potensi bahaya gempabumi hingga potensi risikonya terhadap pertumbuhan distribusi jumlah penduduk. Metodologi yang digunakan untuk potensi bahaya gempabumi adalah dengan pendekatan Peak Ground Acceleration (PGA) yang dapat dikoreksi pada skala yang lebih baik dengan analisis AVS30. Selain itu, untuk melihat potensi dampak terhadap penduduk di tahun 2030, dilakukan pemodelan distribusi pertumbuhan tutupan lahan permukiman dengan menggunakan pendekatan Marcov-chain. Selanjutnya, dengan pendekatan gabungan antara pemodelan random forrest dan proyeksi lahan terbangun serta proyeksi geometrik jumlah penduduk diperoleh sebuah model kepadatan penduduk tahun 2030 dengan tingkat akurasi yang baik. Hasil akhir penelitian dapat memberikan gambaran potensi sebaran dan jumlah penduduk yang berada diwilayah berisiko guncangan permukaan gempabumi yang dikelompokan dalam tiga kategori, risiko rendah, sedang, dan tinggi. Risiko bencana gempabumi dinilai dari potensi gempabumi. Variabel yang digunakan dalam penelitian ini sebanyak enam jenis, yaitu: potensi gempa bawah permukaan, kondisi fisik, infrastruktur, kebijakan, tutupan lahan, dan jumlah penduduk. Hasil kajian potensi dampak gempabumi dengan melihat proyeksi pertumbuhan permukiman dan penduduk di Sukabumi dapat memberikan informasi potensi risiko gempabumi terhadap pertumbuhan penduduk terbesar berada di wilayah Kota Sukabumi dan sekitar teluk Pelabuhan Ratu. Informasi tersebut dapat menjadi referensi yang lebih baik terutama dalam menyusun strategi antisipasi dalam upaya menjaga pembangunan yang berkelanjutan.

---

Sukabumi is one of the regions in Indonesia that has experience affected by earthquake. The potential for shocks due to earthquakes is still large considering that this area located at the front arc tectonic system of the Java island. The aims of this study is to illustrate the distribution of potential surface shaking based earthquake and it’s risk thought population distribution. The methodology used for potential earthquake hazards is the combination between Peak Ground Acceleration (PGA) approach and AVS30 analysis. In addition, to see the potential impact of the population in 2030, the distribution of residential land cover is developed using the Marcov Chain approach. Furthermore, with combination approach between random forrest modelling, projected land cover, and geometric projections of population, a population density model of 2030 was obtained with better accuracy.

The final results of this study can provide an overview of distribution and number of residents in the potential surface shaking areas that are grouped into three different categories: low, medium, and high risk. Earthquake disaster risk is assessed from the potential of the earthquake. There are six variables that used in this study, namely: subsurface earthquake potential shaking, physical condition, infrastructure, regulation, land cover, and population. The results of the study of the potential impact of the earthquake by looking at the projected growth in settlements and residents in Sukabumi area. It can provide information on the potential risk of earthquakes to the largest population growth in the area of Sukabumi City and around the port of Pelabuhan Ratu. This information can be a better reference, especially in preparing anticipatory strategies for resilience sustainable development programme."

"Krisis nilai tukar memiliki dampak yang buruk bagi perekonomian suatu negara. Oleh karena itu, dibutuhkan sistem peringatan dini atau early warning system untuk memprediksi terjadinya krisis tersebut. Dengan menggunakan perangkat Early Warning System pengambil kebijakan dapat melakukan antisipasi terjadi krisis. Sehingga kerugian atau risiko yang ditimbulkan oleh krisis dapat dihindari ataupun diminimalisir. Penelitian ini mencoba untuk mengembangkan early warning system model dengan menggunakan pendekatan multinomial logit. Pendekatan model multinomial logit digunakan untuk mengatasi permasalah yang muncul pada penelitian-penelitian early warning system sebelumnya yaitu permasalahan post crisis bias.Penelitian ini melakukan analisis yang early warning system model dengan menggunakan variabel dependen: rasio trade balance terhadap PDB, rasio utang jangka pendek terhadap cadangan devisa, overvaluation of exchange rate yang dicerminkan dengan menggunakan real effective exchange rate (REER), pertumbuhan PDB riil, sektor finansial yang lemah yang dicerminkan dengan varibel indeks pertumbuhan kredit domestik terhadap sektor swasta, dan contagion variable yang diukur dengan menggunakan jumlah interdependensi keuangan dikalikan dengan exchange market pressure. Hasil penelitian dengan menggunakan data Indonesia periode 1990-2005 menujukan bahwa penggunaan model multinomial logit sebagai model Early Warning System cukup bagus dalam memberikan sinyal terjadinya krisis."

"Krisis rupiah di tahun 1997-1999 adalah gejolak besar bagi ekonomi Indonesia dimana pertumbuhan ekonomi anjlok, sistem perbankan lumpuh, diikuti dengan konsekuensi sosial dan politik yang pahit. Diyakini jika otoritas moneter daan pembuat kebijakan lainnya dapat mengantisipasi krisis tersebut, segala konsekuensi yang tidak diinginkan tersebut dapat dikurangi dan mungkin dihindari. Sistem pendeteksian dini untuk krisis rupiah diharapkan dapat memberi waktu para pembuat kebijakan untuk mengantisipasi datangnya krisis. Namun salah satu faktor sukses yang kritikal dalam pembentukan sistem tersebut adalah seleksi indikator. Penelitian ini menerapkan Indication & Warning Intelligence (I&W)untuk sistem pendeteksian dini krisis rupiah dengan produk akhir berupa set indikator yang dianggap efektif memprediksi krisis rupiah. Dengan I&W diseleksi lima indikator, yang selanjutnya diuji keefektifannya dengan metode regresi logit, yang menyatakan bahwa terdapat tiga indikator yang dapat memprediksi krisis rupiah secara signifikan yang adalah: 1) Real Effective Exchange Rate, 2) Deposit Money Bank?s Foreign Asset Growth, dan 3) Inflasi.

---

Currency crisis in Indonesia that took place in 1997-1999 was a major shock to the economy which plunge the growth, collapse the banking system with its bitter social and political consequences. It is acknowledged that if the monetary authority could anticipate such shock, the result would not be as devastating, it could be far lessen, and hopefully avoided.

Early warning system for currency crisis is crucial for policy makers to anticipate the coming crisis with enough preparation. One of the most important factor in framing that system is indicators selection.

This research apply Indication & Warning Intelligence (I&W) to early warning system of rupiah crisis with indicator set as its end product. With I&W five indicators are selected, which underwent further significance test with logistic regression method. This method results in three indicators being the most effective in predicting rupiah crisis, namely: 1) Real Effective Exchange Rate, 2) Deposit Money Bank?s Foreign Asset Growth, and 3) Inflation."